-
Diese Erfindung bezieht sich auf
Verfahren und Vorrichtungen zur Spracherkennung. Die Spracherkennung
wird als eine Eingabeeinrichtung für die Steuerung von Maschinen
verwendet. Derzeit erkennen Spracherkennungsvorrichtungen im allgemeinen
isolierte einzelne Wörter.
Es werden außerdem
Spracherkennungsvorrichtungen entwickelt, die vorgesehen sind, mehrere
Wörter
zu erkennen, die in einem Satz oder einer Wortgruppe hintereinander
gesprochen werden; dies wird als verbundene Spracherkennung bezeichnet.
-
Bei der Spracherkennung nimmt ein
Mikrophon ein Sprachsignal von einem Sprecher auf, das dann für die Erkennung
digitalisiert und verarbeitet wird. Das Mikrophon nimmt jedoch im
allgemeinen außerdem
jedes Hintergrund- oder Umgebungsgeräusch auf, wobei das elektrische
System zwischen dem Mikrophon und der Spracherkennungsvorrichtung
ebenso Rauschen hinzufügen
wird (z. B. thermisches Rauschen, Quantisierungsrauschen und – wenn die
Sprache über
einen Telekommunikationskanal übertragen
wird – Leitungsrauschen).
Das Rauschen kann Teilen der Sprache ähneln, z. B. stimmlose Zischlauten.
Demzufolge hängt
die richtige Erkennung eines Wortes stark von der Fähigkeit
ab, den Anfang und das Ende des Wortes zu unterscheiden, die dem
Ende und dem Anfang von Rauschen oder Ruhe entsprechen. Es ist gezeigt
worden, daß die
Zuverlässigkeit
der Spracherkennung stark von der Identifizierung der richtigen
Anfangs- und Endpunkte für
die Sprache abhängt.
-
Ein Sprachverarbeitungsverfahren,
das vorgesehen ist, um die Erkennung einer Folge von Wörtern unter
Verwendung der Technologie der isolierten Worterkennung zu erlauben,
ist die "Verbunden-fürisoliert-Technik"
(CFI-Technik), die in der anhängigen
EP-Patentanmeldung 691024 beschrieben ist. Diese Technik nimmt an,
daß das Signal
vom Mikrophon abwechselnde Perioden von Sprache und Rauschen enthält, wobei
es abwechselnd versucht, Sprache und Rauschen zu erkennen.
-
Ein gemeinsamer Zugang bei der Spracherkennung
ist die Verwendung der statistischen Verarbeitung, die keine anfänglichen
Annahmen über
die Mechanismen macht, durch die Sprache erzeugt wird. Es werden
z. B. Hidden-Markow-Modellierungs-Techniken (HMM-Techniken), verwendet (wie im British
Telecom Technology Journal, April 1988, Bd. 6, Nr. 2, S. 105, Cox,
beschrieben ist). Bei der HMM-Erkennung
wird jeder ankommende Rahmen der Sprache mit einer Anzahl von Zuständen verglichen,
um die Wahrscheinlichkeit zu bestimmen, daß der Sprachrahmen jedem dieser
Zustände
entspricht, wobei die auf diese Weise erzeugten Zustandswahrscheinlichkeiten
mit einer Anzahl vorgegebener Modelle verglichen werden, die Zustandsfolgen umfassen,
die verschiedenen zu erkennenden Wörtern entsprechen. Während ein
Wort erkannt wird, sind eine Anzahl verschiedener Zustandsfolgen
und folglich einer Anzahl verschiedener Wörter gleichzeitig möglich; die letzte
Bestimmung, welche Zustandsfolge beobachtet worden ist, wird getroffen,
indem die wahrscheinlichste Zustandsfolge ausgewählt wird, wenn die ganze Äußerung empfangen
worden ist.
-
Einige Typen der HMM-Spracherkennung
erhalten während
der Erkennung einer Anzahl möglicher Zustandsfolgen
aufrecht, einschließlich
einer aktuellen wahrscheinlichsten Folge, um das Wort zu definieren, das
erkannt worden ist.
-
In derartigen sequentiellen Erkennungseinrichtungen
kann die Entscheidung nicht getroffen werden, bis die Folge vollständig ist,
weil die Entscheidung, was die Identität des ausgewählten Wortes
anbelangt, auf den erzeugten Folgen der Zustände basiert. Die wahrscheinlichste
Zustandsfolge kann für
jeden empfangenen Rahmen neu berechnet werden, so daß, sobald
das Ende eines Wortes eindeutig identifiziert werden kann, die Erkennung
ausgeführt
wird, indem einfach ein Erkennungssignal ausgegeben wird, das der
aktuellen wahrscheinlichsten Zustandsfolge entspricht. Der Erkennungsprozeß erzeugt
selbst Anfangs- und Endpunkte, dies wird aber im Zusammenhang mit
der Auswahl des Wortes ausgeführt,
das erkannt wird, und nicht als ein separater einleitender zum Ende
gerichteter Schritt.
-
Eine CFI-Erkennungseinrichtung kann
deshalb automatisch den Anfang und das Ende eines Wortes lokalisieren,
indem sie Zustandsfolgen, die Rauschen entsprechen, aufrechterhält, und
die Folge Rauschen-Wort-Rauschen im Sprachsignal erkennt. Viele
Wörter
können
jedoch Lücken
oder Stops zwischen Teilen des Wortes enthalten, die als das Ende
eines Wortes falsch erkannt werden könnten. Demzufolge ist es wichtig,
daß die
letzte Identifizierung eines Wortes nicht stattfinden sollte, bis
der Sprecher das Sprechen eindeutig beendet hat.
-
Ein Verfahren, dies zu erreichen,
besteht darin, nach einer vorgegebenen Zeitperiode eine "Zeitüberschreitung"
vorzusehen, die eindeutig als Rauschen identifiziert werden kann.
Es ist jedoch festgestellt wurden, daß, falls die betreffende Periode
lang genug gemacht wird, um Erfolg zu garantieren, das Ergebnis
eine Verzögerung
ist, die für
den Anwender frustrierend lang sein kann.
-
Eine Einrichtung, um die Erkennung
bestimmter falsch erkannter Wörter
zurückzuweisen,
ist in "Rejection of extraneous input in speech recognition applications,
using multilayer perceptrons and the trace of HMM's", Mathan und
Miclet, 1991, IEEE ICASSP 91, Bd. 1, S. 93–96, und in "Rejection techniques
in continuous speech recognition using hidden Markov models", Moreno
u. a., Signal processing V: Theories and Applications, 1990, Proc.
of EUSIPCO-90, Bd. 2, S. 1383–1386
(Elsevier) beschrieben.
-
Demzufolge ist die Aufgabe eines
Aspekts der Erfindung, eine verbesserte Einrichtung zu schaffen, um
bestimmte Wörter
zurückzuweisen,
nachdem sie durch eine Spracherkennungseinrichtung identifiziert worden
sind.
-
Gemäß der Erfindung wird eine Erkennungsvorrichtung
geschaffen, mit: einer Eingabeeinrichtung zum Empfangen eines Sprachsignals;
einer Erkennungsverarbeitungseinrichtung zum Verarbeiten des Sprachsignals,
um dessen Ähnlichkeit
zu zu erkennenden vorbestimmten Mustern anzugeben; einer Ausgabeeinrichtung
zum Liefern eines Erkennungssignals, das die Erkennung eines der
Muster anzeigt; und einer Zurückweisungseinrichtung
zum Zurückweisen
des Erkennungssignals unter bestimmten Bedingungen, dadurch gekennzeichnet,
daß die
Erkennungseinrichtung dazu ausgelegt ist, zumindest einen Signalparameter
zu empfangen, der vom Sprachsignal abgeleitet ist und unabhängig von
der Ausgabe der Erkennungseinrichtung ist; wobei die Erkennungseinrichtung
dazu ausgelegt ist, das Sprachsignal in einen Musterbereich und
in Rausch- und Ruhebereiche vor und nach dem Musterbereich zu zerlegen;
wobei die Zurückweisungseinrichtung
dazu ausgelegt ist, auf die Zerlegung zu reagieren.
-
Da sich ein Sprachsignal spektral
ziemlich langsam verändert,
ist es in der Spracherkennung bekannt, das Sprachsignal in eine
Zeitfolge von Rahmen mit einer Dauer von typischerweise zwischen
10 bis 100 Millisekunden zu zerlegen, die mehrere Sprachabtastwerte
umassen. Es ist vorgeschlagen worden ("The use of variable frame
rate analysis in speech recognition", Ponting und Peeling, Computer
Speech and Language, (1991), 5, 169–179), die Anzahl der auf diese
Weise erzeugten Rahmen einzuschränken,
indem nur ein neuer Rahen erzeugt, wird, wenn sich das Sprachsignal
vom vorausgehenden Rahmen signifikant verändert hat.
-
Demzufolge schafft ein weiterer Aspekt
der Erfindung einer Zurückweisungseinrichtung
für die
Verwendung in einer Erkennungseinrichung, die eine variable Rahmenrate
verwendet.
-
Andere Aspekte und Ausführungsformen
der Erfindung sind, wie sie hierin beschrieben und/oder beansprucht
sind, mit den Vorteilen, die aus der folgenden Beschreibung und
der folgenden Zeichnung offensichtlich werden.
-
Der Erfindung wird nun lediglich
beispielhaft unter Bezugnahme auf die beigefügte Zeichnung beschrieben,
worin:
-
1 eine
Anwendung eines Erkennungssystems gemäß der vorliegenden Erfindung
schematisch zeigt;
-
2 ein
Blockschaltplan ist, der die Elemente eines Erkennungsprozessors,
der einen Teil der 1 bildet,
gemäß einer
Ausführungsform
der Erfindung schematisch zeigt;
-
3 ein
Blockschaltplan ist, der die Komponenten einer Klassifizierungseinrichtung
schematisch zeigt, die einen Teil der Ausführungsform nach 2 bildet;
-
4 ein
Ablaufplan ist, der den Betrieb der Klassifizierungseinrichtung
nach 3 schematisch zeigt;
-
5 ein
Blockschaltplan ist, der die Struktur eines Folgen-Parsers schematisch
zeigt, der einen Teil der Ausführungsform
nach 2 bildet;
-
6 die
Inhalte eines Feldes innerhalb eines Speichers schematisch zeigt,
der einen Teil der 5 bildet;
-
7 die
Inhalte eines Puffers schematisch zeigt, der einen Teil der 5 bildet;
-
8 ein
Ablaufplan ist, der den Betrieb des Folgen-Parsers nach 5 schematisch zeigt;
-
9 ein
Blockschaltplan ist, der die Struktur eines Pausendetektors zeigt,
der einen Teil der Ausführungsform
nach 2 bildet;
-
10 ein
Blockschaltplan ist, der einen Teil der Struktur nach 9 ausführlicher schematisch zeigt;
-
11 ein
Ablaufplan ist, der den Betrieb einer Mittelwertbildungseinrichtung
veranschaulicht, die einen Teil der 10 bildet;
-
12 ein
Ablaufplan ist, der den Prozeß des
Ableitens eines Rauschbstandes durch die Vorrichtung nach 10 veranschaulicht;
-
13 ein
Ablaufplan ist, der den Prozeß des
Bildens eines Maßes
der Signalvarianz durch die Vorrichtung nach 10 veranschaulicht;
-
14 ein
Blockschaltplan ist, der einen Teil der Struktur nach 10 ausführlicher zeigt;
-
15 ein
Blockschaltplan ist, der die Kombinationslogik ausführlicher
zeigt, die einen Teil der 10 bildet;
-
16 eine
Darstellung der Energie und der gemittelten Energie eines Sprachsignals über der
Zeit ist und die Entsprechung mit den Signalrahmen anzeigt;
-
17 ein
Ablaufplan ist, der den Betrieb einer Zurückweisungseinrichtung veranschaulicht,
die einen Teil der 2 bildet;
-
18 ein 11 entsprechender Ablaufplan
ist, der den Prozeß des
Ableitens eines Mittelwertes in einer zweiten Ausführungsform
der Erfindung veranschaulicht; und
-
19 eine 16 entsprechende Darstellung
der Energie und der gemittelten Energie gegen die Zeit in der Ausführungsform
nach 18 ist.
-
DIE ERSTE AUSFÜHRUNGSFORM
-
In 1 umfaßt ein Telekommunikationssystem,
das die Spracher kennung enthält,
im allgemeinen ein Mikrophon 1, das typischerweise einen
Teil eines Telephon-Handapparates bildet, ein Telekommunikationsnetz
(typischerweise ein öffentliches
Fernsprechnetz (PSTN)) 2, einen Erkennungsprozessor 3,
der angeschlossen ist, um ein Sprachsignal aus dem Netz 2 zu
empfangen, und eine Verwendungsvorrichtung 4, die mit dem
Erkennungsprozessor 3 verbunden ist, und die beschaffen
ist, um von ihm ein Spracherkennungssignal zu empfangen, das die
Erkennung oder Nichterkennung spezieller Wörter oder Wortgruppen anzeigt,
und um in Reaktion darauf zu handeln. Die Verwendungsvorrichtung 4 kann
z. B. ein fernbetätigtes
Bankterminal sein, um Banktransaktionen auszuführen.
-
In vielen Fällen erzeugt die Verwendungsvorrichtung 4 eine
akustische Antwort auf den Sprecher, die über das Netz 2 zu
einem Lautsprecher 5 übertragen
wird, der typischerweise einen Teil des Teilnehmer-Handapparates
bildet.
-
Im Betrieb spricht der Sprecher in
das Mikrophon 1, wobei ein analoges Sprachsignal vom Mikrophon 2 in
das Netz 2 zum Erkennungsprozessor 3 übertragen
wird, wo das Sprachsignal analysiert und ein Signal, das die Identifizierung
oder Nichtidentifizierung eines speziellen Wortes oder einer speziellen
Wortgruppe anzeigt, erzeugt und zur Verwendungsvorrichtung 4 übertragen
wird, die dann im Fall der Erkennung eines erwarteten Wortes oder
einer erwarteten Wortgruppe geeignet handelt.
-
Der Erkennungsprozessor 3 kann
z. B. beschaffen sein, um die Ziffern 0 bis 9, " ja" und "nein"
zu erkennen, um persönliche
Kennzahlen und einen Bereich von Befehlswörtern erkennen zu können, um
spezielle Handlungen einzuleiten (z. B. das Anfordern von Konto auszügen oder
spezielle Dienstleistungen).
-
In 2 umfaßt der Erkennungsprozessor 3 einen
Eingang 31, um die Sprache in digitaler Form (entweder
aus einem digitalen Netz oder von einem Analog-Digital-Umsetzer)
zu empfangen, einen Rahmenprozessor 32, um die Folge der
digitalen Abtastwerte in Rahmen benachbarter Abtastwerte zu zerlegen;
eine Merkmalsextraktionseinrichtung 33, um aus den Rahmen
der Abtastwerte einen entsprechenden Merkmalsvektor zu erzeugen;
eine Klassifizierungseinrichtung 34, die die Folge der
Merkmalsvektoren empfängt
und auf jeden mit mehreren Modellen wirkt, die verschiedenen Wörtern, Phonemen
oder Wortgruppen entsprechen, um Erkennungsergebnisse zu erzeugen;
und einen Parser 35, der beschaffen ist, um die Klassifizierungsergebnisse
von der Klassifizierungseinrichtung 34 zu empfangen und
das Wort zu bestimmen, mit dem die Folge der Ausgangssignale der
Klassifizierungseinrichtung die größte Ähnlichkeit zeigt.
-
Es ist außerdem eine Erkennungs-Zurückweisungseinrichtung 36,
die beschaffen ist, um die Erkennung eines durch den Parser 35 erkannten
Wortes zurückzuweisen,
falls die Erkennung unzuverlässig
ist, und ein Pausendetektor 37, der beschaffen ist, um
die dem Ende eines Wortes folgende Pause zu erfassen, um dem Parser 35 zu
ermöglichen,
ein Worterkennungssignal auszugeben, vorgesehen. Das Worterkennungssignal
vom Parser 35 oder ein Zurückweisungssignal von der Zurückweisungseinrichtung 36 werden
an einen Steuersignalausgang 38 für die Verwendung bei der Steuerung
der Verwendungsvorrichtung 4 ausgegeben.
-
Der Rahmengenerator 32
-
Der Rahmengenerator 32 ist
beschaffen, um die Sprachabtastwerte mit einer Rate von z. B. 8.000
Abtastwerten pro Sekunde zu empfangen und Rahmen zu bilden, die
256 benachbarte Abtastwerte bei einer Rahmenrate von 1 Rahmen je
16 ms umfassen. Vorzugsweise wird jeder Rahmen mit Fenstern versehen
(d. h. die Abtastwerte zur Kante des Rahmens werden mit vorgegebenen
Gewichtungskonstanten multipliziert), z. B. unter Verwendung eines
Hamming-Fensters, um durch die Rahmenkanten erzeugte unerwünschte falsche
Meßwerte
zu verringern. In einer bevorzugten Ausführungsform sind die Rahmen überlappend
(z. B. um 50%), um die Wirkungen der Fensterbildung zu verbessern.
-
Die Merkmalsextraktionseinrichtung 33
-
Die Merkmalsextraktionseinrichtung 33 empfängt die
Rahmen vom Rahmengenerator 32 und erzeugt in jedem Fall
eine Menge oder einen Vektor der Merkmale. Die Merkmale können z.
B. cepstrale Koeffizienten umfassen (z. B. die cepstralen LPC-Koeffizienten
oder die cepstralen Koeffizienten der Mel-Frequenz, wie in "On the
Evaluation of Speech Recognisers and Data Bases using a Reference
System", Chollet & Gagnoulet, 1982,
proc. IEEE, S. 2026 beschrieben ist), oder differentielle Werte
derartiger Koeffizienten, die für
jeden Koeffizienten die Differenz zwischen dem Koeffizienten und
dem entsprechenden Koeffizientenwert im vorhergehenden Rahmen umfassen,
wie in "On the use of Instantaneous and Transitional Spectral Information
in Speaker Recognition", Soong & Rosenberg,
1988, IEEE Trans. on Accoustics, Speech and Signal Processing, Bd. 36,
Nr. 6, S. 871, beschrieben ist. Ebenso kann eine Mischung mehrerer
Typen der Merkmalskoeffizienten verwendet werden.
-
Aus Gründen, die im folgenden erörtert sind,
extrahiert in dieser Ausführungsform
die Merkmalsextraktionseinrichtung 33 außerdem einen
Wert für
die Energie in jedem Rahmen (wobei diese Energiewert einer der Merkmalskoeffizienten
sein kann aber nicht sein muß,
die bei der Erkennung verwendet werden). Der Energiewert kann als
die Summe der Quadrate der Abtastwerte des Rahmens erzeugt werden.
-
Schließlich gibt die Merkmalsextraktionseinrichtung 33 eine
Rahmennummer aus, die für
jeden aufeinanderfolgenden Rahmen inkrementiert wird.
-
Der Rahmengenerator 32 und
die Merkmalsextraktionseinrichtung 33 sind in dieser Ausführungsformen
durch eine einzelne geeignet programmierte digitale Signalprozessor-Vorrichtung
(DSP-Vorrichtung) vorgesehen (wie z. B. den Motorola DSP 56000,
den Texas Instruments TMS C 320 oder eine ähnliche Vorrichtung).
-
Die Klassifizierungseinrichtung 34
-
In 3 umfaßt in dieser
Ausführungsform
die Klassifizierungseinrichtung 34 einen der Klassifizierungsprozessor 341 und
einen Zustandspeicher 342.
-
Der Zustandsspeicher 342 umfaßt ein Zustandsfeld 3421, 3422,
..., für
jeden der mehreren Sprachzustände.
Jedes durch den Erkennungsprozessor zu erkennende Wort umfaßt z. B.
6 oder 8 Zustände,
wobei demzufolge 6 oder 8 Zustandsfelder im Zustandsspeicher 342 für jedes
zu erkennende Wort vorgesehen sind. Es sind außerdem ein Zustandsfeld für Rauschen/Ruhe
am Anfang eines Wortes und ein Zustandsfeld für einen Rausch/Ruhe-Zustand
am Ende eines Wortes vorgesehen (obwohl es in der Praxis möglich sein
könnte, nur
einen einzelnen Rauschzustand vorzusehen).
-
Jedes Zustandsfeld im Zustandsspeicher 342 umfaßt Daten,
die eine mehrdimensionale Gauß-Verteilung
für die
Merkmalskoeffizientenwerte definieren, die den fraglichen Zustand
charakterisieren.
-
Falls es z. B. d verschiedene Merkmalskoeffizienten
gibt, sind die einen Zustand charakterisierenden Daten eine Konstante
C, eine Menge aus d Merkmals-Mittelwerten μi und
eine Menge aus d Merkmalsabweichungen σi; mit
anderen Worten, eine Gesamtmenge von 2d + 1 Zahlen.
-
Der Klassifizierungsprozessor
34 ist
beschaffen, um jedes Zustandsfeld innerhalb des Speichers
342 der
Reihe nach zu lesen und unter Verwendung der aktuellen Eingangs-Merkmalskoeffizientenmenge
für jedes die
Wahrscheinlichkeit zu berechnen, daß die Eingangsmerkmalsmenge
oder der Eingangsmerkmalsvektor dem entsprechenden Zustand entspricht.
Um dies auszuführen,
wie in
4 gezeigt ist,
ist der Prozessor
341 beschaffen, um eine Gleichung
zu berechnen.
-
Es ist möglich, daß ein einzelner Zustand durch
mehrere verschiedene Moden oder Verteilungen dargestellt wird; demzufolge
kann der Zustandsspeicher 342 für jeden Zustand mehrere Modenfelder
umfassen, wobei jedes dem obenbeschriebenen Zustandsfeld entspricht, wobei
in diesem Fall der Klassifizierungsprozessor 341 beschaffen
ist, um für
jede Mode die Wahrscheinlichkeit zu berechnen, daß der Eingangsvektor dieser
Mode entspricht, und dann die Modenwahrscheinlichkeiten (geeignet
gewichtet) zu summieren.
-
Demzufolge sind mehrere Zustandswahrscheinlichkeiten,
eine für
jeden Zustand im Zustandsspeicher 342, das Ausgangssignal
des Klassifizierungsprozessors 341, die die Wahrscheinlichkeit
anzeigen, daß der Eingangsmerkmalsvektor
jedem Zustand entspricht.
-
Der Klassifizierungsprozessor 341 kann
eine geeignet programmierte digitale Signalverarbeitungsvorrichtung
(DSP-Vorrichtung) sein, insbesondere kann sie die gleiche digitale
Signalverarbeitungsvorrichtung wie die Merkmalsextraktionseinrichtung 33 sein.
-
Der Parser 35
-
In 5 umfaßt der Parser 35 in
dieser Ausführungsform
einen Zustandsfolgenspeicher 352, einen Parsing-Prozessor 351 und
einen Parser-Ausgabepuffer 354.
-
Es ist außerdem ein Zustandswahrscheinlichkeitsspeicher 353 vorgesehen,
der für
jeden verarbeiteten Rahmen die durch den Wahrscheinlichkeitsprozessor 341 ausgegebenen
Zustandswahrscheinlichkeiten speichert. Der Zustandsfolgenspeicher 352 umfaßt mehrere
Zustandsfolgenfelder 3521, 3522, ..., wobei jedes einer
zu erkennenden Rauschen-Wort-Rauschen-Folge (und einer entsprechenden
Folge nur aus Rauschen) entspricht.
-
Jede Zustandsfolge im Zustandsfolgenspeicher 352 umfaßt, wie
in
-
6 veranschaulicht
ist, eine Anzahl von Zuständen
P1, P2, PN (wobei N gleich 6 oder 8 ist) und für jeden
Zustand zwei Wahrscheinlichkeiten; eine Wiederholungswahrscheinlichkeit
(Pi1) und eine Übergangswahrscheinlichkeit
in den folgenden Zustand (Pi2). Für eine CFI-Erkennungseinrichtung
sind die ersten und letzten Zustände
Rauschzustände.
Die beobachtete Folge der Zustände,
die einer Folge von Rahmen zugeordnet ist, kann deshalb mehrere
Wiederholungen jedes Zustands Pi in jedem Zustandsfolgenmodell 3521 usw.
umfassen; z. B.:
-
-
Folglich bewegt sich bei irgendeiner
Rahmennummer (hier der Rahmennummer 3) die beobachtete Folge
vom anfänglichen
Rauschzustand zum nächsten
Sprachzustand; dieser Übergang
markiert den Anfang des zu erkennenden Wortes. Ebenso erreicht bei
irgendeinem Rahmen (hier dem Rahmen Z) die Folge der letzten Zustand
Pn, der Rauschen oder Ruhe entspricht, das
bzw. die dem Ende des zu erkennenden Wortes folgt. Der Rahmen Z
entspricht deshalb dem Ende des zu erkennenden Wortes.
-
Wie in 8 gezeigt
ist, ist der Parsing-Prozessor 351 beschaffen, bei jedem
Rahmen die durch den Wahrscheinlichkeitsprozessor 341 ausgegebenen
Zustandswahrscheinlichkeiten und die vorausgehend gespeicherten
Zustandswahrscheinlichkeiten im Zustandswahrscheinlichkeitsspeicher 353 zu
lesen und den bis jetzt wahrscheinlichsten Pfad der Zustände über der
Zeit zu berechnen und diesen mit jeder der im Zustandsfolgenspeicher 352 gespeicherten
Zu standsfolgen zu vergleichen.
-
Die Berechnung verwendet das wohlbekannte
Verfahren der Hidden-Markow-Modelle,
das im Artikel von Cox beschrieben ist, auf den oben Bezug genommen
ist. Zweckmäßigerweise
verwendet die durch den Parsing-Prozessor 351 ausgeführte HMM-Verarbeitung
den wohlbekannten Viterbi-Algorithmus. Der Parsing-Prozessor 351 kann
z. B. ein Mikroprozessor sein, wie z. B. der IntelTM i-486TM-Mikroprozessor oder der MotorolaTM 68000-Mikroprozessor, oder er kann alternativ
eine DSP-Vorrichtung sein (z. B. die gleiche DSP-Vorrichtung, die
für irgendeinen
der vorhergehenden Prozessoren verwendet wird).
-
Demzufolge wird für jede Zustandsfolge (die einem
Wort entspricht, durch den Parser-Prozessor 351 bei jedem
Rahmen der Eingangssprache ein Wahrscheinlichkeits-Punktestand ausgegeben.
Die Identität
der wahrscheinlichsten Zustandsfolge (und folglich des erkannten
Wortes) kann sich während
der Dauer der Äußerung durch
den Sprecher völlig ändern.
-
Der Parser-Ausgabepuffer 354 umfaßt mehrere
Felder 3541, 3542, ..., die jedes einem zu erkennenden
Wort entsprechen (und eines, das einer Folge aus nur Rauschen entspricht).
Jedes Feld umfaßt,
wie in 7 veranschaulichend
gezeigt ist, einen Wahrscheinlichkeits-Punktestand S, der für den aktuellen Rahmen die
Wahrscheinlichkeit anzeigt, daß das
entsprechende Wort vorhanden ist, und zwei Rahmennummern; eine erste
(sp_st), die den ersten Rahmen des Wortes in der beobachteten Rauschen-Wort-Rauschen-Folge
der Rahmen anzeigt; und eine zweite (sp_end), die den letzten Rahmen
des Wortes anzeigt. Vor sp_st umfassen die Zustände in der beobachteten Folge
anfängliches
Rauschen, wobei nach sp_end die Zustände in der beob achteten Folge
dem Endrauschen entsprechen. Natürlich
unterscheiden sich die Rahmennummern in jedem der Felder 3541, 3542,
... voneinander.
-
Der Pausendetektor 37
-
In 9 umfaßt der Pausendetektor 37 einen
signalgestützten
Detektor 370 und einen modellgestützten Detektor 375.
Der signalgestützte
Detektor 370 ist mit der Merkmalsextraktionseinrichtung 33 verbunden, um
einen aus dem Sprachsignal extrahierten Parameter zu empfangen.
In dieser vorliegenden Ausführungsform
ist der Parameter die Rahmenenergie oder irgendein Parameter, der
auf der Rahmenenergie basiert.
-
Der modellbasierte Detektor 375 ist
mit dem Parser 35 verbunden, um eine Anzeige der aktuell
besten Zustandsfolge zu empfangen. Spezifisch ist der modellbasierte
Detektor 375 beschaffen, um aus dem Parser-Ausgabepuffer 354 die
Rahmennummer (sp end) des Anfangs der letzten Rauschzustände, falls
es welche gibt, in der aktuell wahrscheinlichsten Zustandsfolge
zu lesen und diese von der aktuellen Rahmennummer zu subtrahieren,
um die Länge
der Periode festzustellen, die dem Ende des Wortes folgt, das gegenwärtig als
zu erkennen angenommen wird.
-
Die Ausgangssignale des signalbasierten
Pausendetektors 370 und des modellbasierten Pausendetektors 375 werden
durch die Logik 378 kombiniert, um an einem Ausgang 379 ein
Pausenerfassungssignal zu erzeugen.
-
In 10 umfaßt der signalbasierte
Pausendetektor 370 eine Ein richtung 371, die einen
laufenden Mittelwert bildet, die ein laufendes mittleres Energieniveau über eine
Anzahl von vorhergehenden Energiewerten aufrechterhält; einen
Rauschabstand-Detektor 372 (SNR-Detektor) und einen Rauschvarianz-Detektor 373 (NVR-Detektor),
deren Ausgangssignale geliefert werden, um durch die Logik 378 kombiniert
zu werden.
-
Es ist außerdem ein Puffer 374 für das mittlere
Energieniveau vorgesehen, der mit dem Ausgang der Mittelwertbildungseinrichtung 371 verbunden
ist, um aufeinanderfolgende mittlere Energiewerte zu speichern, die
aufeinanderfolgenden Rahmen entsprechen.
-
Die Einrichtung 371,
die einen laufenden Mittelwert bildet
-
Die Einrichtung 371, die
einen laufenden Mittelwert bildet, ist schematisch beschaffen, um
den in 11 zeigten Prozeß auszuführen. In
diesem Prozeß wird
in dieser Ausführungsformen
für jeden
Rahmen die Energie des Rahmens aus der Merkmalsextraktionseinrichtung 33 gelesen
und von einem gespeicherten laufenden Mittelwert subtrahiert, um
den Differenzwert zu liefern. Der Differenzwert wird mit einem Schwellenwert
oder einer Stufe eines vorgegebenen Absolutwertes verglichen. Falls
die Differenz innerhalb +/– des
Stufenwertes liegt, bleibt der laufende Mittelwert unbeeinflußt, aber
der Wert der Stufe wird verringert, indem er gleich der Differenz
geteilt durch einen konstanten Faktor oder, wie in 11 angezeigt ist, einem ersten konstanten
Faktor (Aufwärtsfaktor)
für eine
positive Differenz vom laufenden Mittelwert und einem zweiten Faktor (Abwärtsfaktor)
für eine
negative Differenz vom laufenden Mittelwert gesetzt wird.
-
Wenn andererseits die Differenz zwischen
dem Eingangswert des vor handenen Rahmens und dem gespeicherten laufenden
Mittelwert den Stufenwert überschreitet,
dann wird der laufende Mittelwert um den Stufenwert abhängig von
der Größe der Differenz
inkrementiert oder dekrementiert. Der Stufenwert wird dann wie vorher
aktualisiert.
-
Die Wirkung dieses Prozesses ist
wie folgt. Zuerst gibt es eine Glättung des Energiewertes durch
den Prozeß des
Aufrechterhaltens eines laufenden Mittelwertes. Folglich stellt
der augenblickliche laufende Mittelwert einen geglätteten Wert
des Energieniveaus des aktuellen Rahmens dar, der frühere Energieniveaus
etwas berücksichtigt.
-
Zweitens führt das Vorhandensein der Schwellenprüfung eine
Nichtlinearität
in den Prozeß ein,
so daß hohe
positive oder negative Energieniveaus, die sich erheblich von dem
vorausgehenden mittleren Energieniveau unterscheiden, zuerst ignoriert
werden. Der Schwellenwert wird jedoch anschließend vergrößert, so daß, falls das hohe Energieniveau
aufrechterhalten wird, es schließlich innerhalb des Schwellenwertes
liegt und eine Wirkung auf den laufenden Mittelwert besitzt.
-
Folglich besitzt ein kurzlebiges
hohes Energieniveau, das auf eine Rauschspitze zurückzuführen ist, infolge
der Schwellenstufe wenig oder keine Wirkung auf das laufende mittlere
Energieniveau. Ein echtes hohes Energieniveau, das z. B. auf einen Übergang
zur Sprache zurückzuführen ist,
wird jedoch schließlich
das laufende mittlere Energieniveau beeinflussen. Der Schwellenwert
ist folglich während
der Zeit anpassungsfähig,
so daß,
wenn ankommende Energieniveaus dem aktuellen Mittelwert genau entsprechen,
der Schwellenwert oder die Stufenhöhe zunehmend auf einen niedrigen
Wert schrumpft, wenn aber die ankommenden Energieniveaus vom Mittelwert
abweichen, der Schwellenwert anfangs niedrig bleibt, sich aber dann
erweitert.
-
Die Mittelwertbildungseinrichtung 371 wirkt
folglich, um ein mittleres Niveau aufrechtzuerhalten, das sich ein
wenig wie ein laufender Medianwert verhält.
-
Der SNR-Detektor 372
-
Der SNR-Detektor 372 ist
so beschaffen, daß bei
jedem Rahmen die Rahmennummern, die der Parser 35 als die
Anfangs- und Endrahmen des gegenwärtig am wahrscheinlichsten
erkannten Wortes identifiziert hat, in ihn eingegeben werden, und
um den Puffer 376 für
das mittlere Energieniveau zu lesen, um ein repräsentatives Energieniveau über die
Rahmen, die gegenwärtig
als Sprache identifiziert werden, und ein repräsentatives Energieniveau über die
Rahmen, die gegenwärtig
als Rauschen dargestellt werden, zu bestimmen.
-
In dieser Ausführungsform umfassen die repräsentativen
Maße das
mittlere laufende Energieniveau, das über die Rauschsegmente läuft, und
das mittlere Spitzen-Energieniveau über dem Sprachsegment. Der Betrieb
des SNR-Detektors 372 ist in 12 gezeigt.
-
Falls der berechnete Rauschabstand
SNR größer als
ein vorgegebener Schwellenwert ist, gibt der SNR-Pausendetektor 372 ein
Signal aus, das anzeigt, daß eine
Pause aufgetreten ist (d. h., daß die Sprache vorbei ist).
Falls der SNR-Wert unter dem Schwellenwert liegt, wird ein Signal
ausgegeben, das angezeigt, daß keine
Pause erkannt worden ist.
-
Es ist festgestellt worden, daß das SNR-Maß eine nützliche
Kennzeichnung ist, aber ein richtiges Wortende identifiziert worden
ist. Dies ist teilweise so, weil eine fehlerhafte Erkennung des
Anfangs und des Endes (und in der Tat der Identität) eines
Wortes durch den Parser 35 dazu führen kann, daß Sprachrahmen
in denjenigen Rahmen enthalten sind, die verwendet werden, um den
mittleren Rauschpegel zu berechnen, wobei folglich der Wert des
berechneten SNR unter den Schwellenwert verringert wird, so daß aus diesem
Grund eine Pause nicht falsch identifiziert wird. Durch die Verwendung
des Spitzen-Energieniveaus als das charakteristische Energieniveau
für die
Sprache bei der SNR-Berechnung wird im allgemeinen die umgekehrte
Wirkung vermieden, weil die Spitze im allgemeinen durch eine falsche
Identifizierung des Anfangs und des Endes des Wortes unbeeinflußt bleibt
(wenn nicht eine vollständig
fehlerhafte Erkennung stattgefunden hat).
-
Der NVR-Detektor 373
-
In 13 ist
der NVR-Detektor 373 beschaffen, um die letzten N1 (wobei
N1 eine vorgegebene Konstante ist) laufenden mittleren Energieniveaus
aus dem Puffer 376 zu lesen, die minimalen und maximalen Werte
festzustellen und das Verhältnis
zwischen den minimalen und maximalen Werten zu berechnen. Dieses Verhältnis zeigt
das Ausmaß der
Variation des Energieniveaus über
die letzten N1 Rahmen an. Falls das Niveau der Variation mit dem
Schwellenwert verglichen wird, zeigt ein hohes Niveau der Variation
die Möglichkeit an,
daß die
vorhergehenden N1 Rahmen etwas Sprache enthalten, wohingegen ein
niedriges Niveau der Variation im Vergleich zu einem vorgegebenen
Schwellenwert anzeigt, daß die
letzten N1 Rahmen wahrscheinlich nur Rauschen enthalten, wobei folglich
der NVR-Detektor 373 ein Pausenerfassungssignal ausgibt.
-
Weil das Energieniveau der Ruheperiode,
die dem Ende der Sprache folgt, niedrig sein kann, kann das Verhältnis unter
manchen Umständen
der Division durch eine sehr kleine Zahl entsprechen. Um Singularitäten bei
der Berechnung zu vermeiden, wenn die minimale mittlere Energie
unter ein vorgegebenes Schwellenniveau fällt (z. B. eins), wird dann
demzufolge das Verhältnis
zwischen dem Maximum und dem vorgegebenen Pegel anstatt zwischen
dem Maximum und dem Minimum berechnet.
-
Es könnten andere Maße der Varianz
(z. B. die Differenz zwischen dem Maximum und Minimum) verwendet
werden, das Verhältnis
ist jedoch bevorzugt, weil es starke Variationen in der Gesamtsignalstärke berücksichtigt.
-
Der modellgestützte Detektor 375
-
Der modellgestützte Pausendetektor 375 umfaßt, wie
in 14 gezeigt ist, erste
und zweite Zeitüberschreitungs-Detektoren 376a, 376b,
die beschaffen sind, daß die
Rahmennummer des gegenwärtig
identifizierten Endes der Sprache/des Anfangs des Endrauschens vom
Parser 35 in sie eingegeben wird, und um die Differenz
N zwischen diesem Rahmen und dem vorhandenen Rahmen gegen einen
ersten relativ kurzen Schwellenwert N1 und einen zweiten
relativ langen Schwellenwert N2 zu prüfen. N1 wird z. B.
ausgewählt,
daß er
in der Größenordnung
der Länge
einer kurzen Lücke
innerhalb eines Wortes liegt (d. h. 20–60 Rahmen, und daß er zweckmäßigerweise dieselbe
Länge wie
die im NVR-Detektor 373 verwendete Prüfung aufweist), während N2 ausgewählt wird,
daß er
erheblich länger
ist (d. h. in der Größenordnung
einer halben Sekunde).
-
Es ist außerdem eine Rausch-Punktestand-Prüfeinrichtung 377 vorgesehen,
die beschaffen ist, um den Wahrscheinlichkeits-Punktestand für das Endrauschen,
das der aktuellen wahrscheinlichsten Zustandsfolge entspricht, aus
dem Parser 35 zu lesen, den Punktestand gegen einen vorgegebenen
Schwellenwert zu prüfen
und ein 'Pause-erfaßt'-Signal
auszugeben, falls der Rausch-Punktestand den Schwellenwert überschreitet.
-
Schließlich ist ein dritter Zeitüberschreitungs-Detektor 376c vorgesehen,
der die Gesamtzahl der Rahmen bis jetzt (die aktuelle Rahmennummer)
T gegen eine lange Zeitüberschreitung
N3 prüft,
um den Erkennungsprozeß nach
N3 Rahmen zu beenden, falls kein Ende der Sprache früher erfaßt worden
ist.
-
Die Kombinationslogik 378
-
In 15 ist
zu sehen, daß die
Ausgänge
der Detektoren 376b, 377, 372 und 373 in
einer UND-Beziehung verbunden sind, und daß das kombinierte Ausgangssignal
der vier mit den Ausgangssignalen der Detektoren 376a und 376c in
einer ODER-Beziehung verbunden ist.
-
Folglich wird eine Pause entweder
nach dem Ablauf einer langen Zeitüberschreitung (N3 Rahmen) vom
Anfang der Erkennung oder nach einer relativ langen Zeitüberschreitung
(N2 Rahmen) nach dem Beginn des Rauschens oder nach einer relativ
kurzen Zeitüberschreitung
(N1 Rahmen), nach der der Rausch-Punktestand hoch ist, der Rauschabstand
hoch ist und die Rauschvarianz niedrig ist, erfaßt.
-
16 veranschaulicht
die Energie und die mittlere Energie RM(t) über einem Wort.
-
Die Zurückweisungseinrichtung 36
-
Die Zurückweisungseinrichtung 36 ist
beschaffen, um nach der Operation des Pausendetektors 37 den
Vertrauenswert der Identifikation eines Wortes durch den Parser 35 zu
prüfen.
Falls die Identifikation zweifelhaft ist, wird sie zurückgewiesen.
Falls die Identifikation vorläufig
ist, gibt die Zurückweisungseinrichtung 36 ein
"Abfrage"-Signal aus, das der Verwendungsvorrichtung 4 ermöglicht,
z. B. einen Bestätigungsdialog
durch das synthetisieren einer Wortgruppe, wie z. B. "Sagten Sie
... (das identifizierte Wort)", einzuleiten oder den Anwender aufzufordern,
das Wort zu wiederholen.
-
In 17 ist
der allgemeine Betrieb der Zurückweisungseinrichtung 36 wie
folgt.
-
Zuerst prüft die Zurückweisungseinrichtung, ob das
Signal der Erfassung von Ruhe oder Rauschen allein entspricht. Dies
tritt auf, wenn die durch den Parser 35 erfaßte wahrscheinlichste
Folge einer Folge entspricht, die nur Rauschzustände enthält. Ruhe wird außerdem erfaßt, indem
geprüft
wird, ob der durch den SNR-Detektor 372 berechnete SNR
unter einem sehr niedrigen Schwellenwert liegt. In beiden Fällen zeigt
die Zurückweisungseinrichtung
an, daß kein
Wort (Ruhe) erfaßt
worden ist, vorausgesetzt, die durch den Detektor 376a ausgeführte Prüfung ist
außerdem
erfüllt.
-
Zweitens führt die Zurückweisungseinrichtung Zurückweisungsprüfungen aus
(die im folgenden ausführlicher
erörtert
sind), wobei sie die Ergebnisse gegen relativ lockere Schwellenwerte
prüft.
Falls den relativ lockeren Schwellenwerten nicht entsprochen wird,
wird die Identifizierung zurückgewiesen.
-
Falls den relativ lockeren Schwellenwerten
entsprochen wird, wird die Prüfung
gegen relativ enge Schwellenwerte wiederholt. Falls den relativ
engen Schwellenwerten entsprochen wird, wird die Akzeptanz des identifizierten
Wortes angezeigt. Falls den engen Schwellenwerten nicht entsprochen
wird, wird ein Abfrage-Ausgangssignal erzeugt, um der Verwendungsvorrichtung
zu erlauben, den Anwender abzufragen.
-
Die durch die Zurückweisungseinrichtung ausgeführten Prüfungen umfassen:
-
- 1) eine Prüfung
des durch den Parser 35 für den wahrscheinlichsten Pfad
erzeugten Wahrscheinlichkeits-Punktestands S (um Wörter außerhalb
des Vokabulars zurückzuweisen);
- 2) eine Prüfung,
die den durch den SNR-Detektor 372 berechneten SNR verwendet
(um rauschbehaftete Bedingungen und Wörter außerhalb des Vokabulars zurückzuweisen);
- 3) eine Prüfung,
die die durch die NVR-Prüfungseinrichtung 373 berechnete
Rauschvarianz verwendet (um rauschbehaftete Bedingungen zurückzuweisen);
- 4) eine Prüfung
des Verhältnisses
zwischen dem durch den Parser für
den wahrscheinlichsten Pfad erzeugten Punktestand und dem für den zweitwahrscheinlichsten
Pfad erzeugten Punktestand; und optional
- 5) eine zwischen spezifischen bekannten verwechselbaren Wörtern ausgeführte Prüfung (z.
B. falls das durch den Parser 35 wahrscheinlichste erkannte
Wort "fife" ist, während
das zweitwahrscheinlichste erkannte Wort "nine" ist, wobei die Differenz
oder das Verhältnis
zwischen den zwei geprüft
werden kann).
-
Folglich kann die Zurückweisungseinrichtung 36 entweder
ein Wort akzeptieren, wobei in diesem Fall das Ausgangssignal des
Parsers 35 zum Ausgang 38 geleitet wird; oder
anzeigen, das Ruhe vorhanden ist (d. h., daß kein Wort vorhanden ist),
wobei ein Signal, das die Ruhe identifiziert, zum Ausgang 38 geleitet
wird; oder die Identifikation eines Wortes durch den Parser 35 zurückweisen
oder bezweifeln, wobei in diesem Fall das Ausgangssignal des Parsers 35 gesperrt
wird und ein entsprechendes "Zurückweisungs"-
oder "Abfrage"-Steuersignal zum Ausgang 38 geleitet wird,
um die Handlung durch die Verwendungsvorrichtung 4 freizugeben.
-
Die zweite Ausführungsform
-
In der zweiten Ausführungsform
ist der Merkmalsgenerator 33 beschaffen, um eine neu erzeugte
Menge der Merkmalskoeffizienten mit der zuletzt ausgegebenen Menge
der Merkmalskoeffizienten zu vergleichen und nur eine neue Menge
der Merkmalskoeffizienten auszugeben, wenn die Gesamtdifferenz von
der früheren Menge
größer als
ein vorgegebener Schwellenwert ist. Der Abstand kann z. B. die Summe
der absoluten Differenzen oder das "City-Block"-Abstandsmaß oder irgendein
anderes zweckmäßiges Maß sein.
-
Es ist festgestellt worden, daß diese
Technik die Menge der durch die Klassifizierungseinrichtung 34 und
den Parser 35 benötigten
Berechnung erheblich reduzieren kann, z. B. in der Größenordnung
von 60%. Weil der HMM-Prozeß eine
Annahme macht, daß nachfolgende
Zustände
voneinander unabhängig
sind, kann diese Ausführungsform
außerdem
unter gewissen Umständen
die Gültigkeit
dieser Annahme vergrößern, weil sie
bewirkt, daß jede
aufeinanderfolgende Menge der Koeffizienten sich erheblich von ihrem
Vorgänger
unterscheidet.
-
In diesem Fall ist festgestellt worden,
daß der
Betrieb der Klassifizierungseinrichtung 34 und des Parsers 35 im
wesentlichen nicht geändert
sind. Der Betrieb des signalgestützten
Pausendetektors 370, spezifisch der Einrichtung 371,
die einen laufenden Mittelwert bildet, wird jedoch geändert, daher
der Mittelwert die Dauer der Perioden zwischen aufeinanderfolgenden
Rahmen berücksichtigen
muß.
-
In dieser Ausführungsform erzeugt die Merkmalsextraktionseinrichtung 33 eine
jedem Rahmen zugeordnete Zahl N(t), die die Anzahl der Rahmen zwischen
diesem Rahmen und dem letzten durch den Merkmalsgenerator 33 ausgegebenen
Rahmen anzeigt, und liefert sie an den Pausendetektor 37.
-
Die Merkmalsextraktionseinrichtung 33 akkumuliert
außerdem
die Energie jedes Rahmens, um eine kumulative Energie E(t) bei jeder
Menge der Merkmalskoeffizienten, die ausgegeben werden, zu liefern,
die der Summe der Energie, die diese Menge der Koeffizienten verursacht,
und der Energien aller anderen Rahmen zwischen diesem Rahmen und
dem durch die Merkmalsextraktionseinrichtung 33 ausgegebenen
vorausgehenden Rahmen entspricht.
-
In 18 liest
in dieser Ausführungsform
die Mittelwertbildungseinrichtung 371 die kumulative Energie
E(t) und die durch einen VFR-Rahmen
repräsentierte
Anzahl der Rahmen N(t), wobei sie dann die mittlere Energie für jeden
Zwischenrahmen erzeugt, indem sie E(t) durch N(t) dividiert. Die
Mittelwertbildungseinrichtung simuliert dann im wesentlichen die
Wirkung des Empfanges N(t) aufeinanderfolgender Rahmen, die jeder die
mittlere Energie besitzen, wobei sie den laufenden Mittelwert dementsprechend
inkrementiert oder dekrementiert.
-
Um zu sichern, daß der laufende mittlere Energiewert,
der bei der Berechnung des Rauschabstands verwendet wird, richtig
ist, wird jedoch das für
den VFR-Rahmen berechnete letzte gemittelte Energieniveau RM(t)
festgestellt, indem die N aufeinanderfolgenden laufenden Mittelwerte
gemittelt werden, indem die laufenden Mittelwerte akkumuliert und
dann am Ende der Berechnung mit N(t) normiert werden.
-
Folglich umfassen in dieser Ausführungsform
die im Ausgabepuffer 374 gespeicherten Zahlen die Werte
RM(t) für
jeden der Rahmen der mit einer variablen Rate durch den Koeffizientengenerator 33 emittierten
Merkmalskoeffizienten, die dem mittleren Niveau der Signalrahmen
entsprechen, die dem aktuellen Rahmen vorangehen.
-
In der Tat sind in dieser Ausführungsform
die minimalen und maximalen Energieniveaus weniger deutlich als
in der ersten Ausführungsform
definiert, weil der Prozeß des
Kumulierens der Energie vorangehender Rahmen, der im Merkmalsgenerator 33 ausgeführt wird,
wirkt, um scharfe Spitzen oder Senken im Energieniveau des Eingangssprachsignals
zu glätten.
-
In dieser Ausführungsform würde es selbstverständlich statt
dessen möglich
sein, daß die
Mittelwertbildungseinrichtung 371 jedes der Energieniveaus
von jedem der durch den Merkmalsgenerator 33 empfangenen
Signalrahmen empfängt
und verarbeitet, ungeachtet ob diese Rahmen die Ausgabe eines Merkmalsvektors
für die
Erkennung veranlassen. Dies würde
jedoch weitere Berechnung und Pufferung erfordern.
-
In dieser Ausführungsform werden die durch
die Detektoren 376a, 376b berechneten Pausenprüfungen berechnet,
um die variable Rate zu berücksichtigen,
mit der die Koeffizientenvektoren erzeugt werden, indem eine aktuelle
Rahmennummer aufrechterhalten wird, die durch das Akkukumulieren
der Anzahl der weggelassen Rahmen N(t) berechnet wird, und diese
verwendet wird, um die Zeit seit dem Ende der Sprache N zu berechnen.
-
19 veranschaulicht
die Energie und die mittlere Energie RM(t) über einem Wort.
-
Die Vorteile
der Erfindung
-
Aus den vorangehenden Ausführungsformen
ist zu sehen, daß es
eine Anzahl von Vorteilen für
die Aspekte der Erfindung gibt.
-
In dem ein Pausendetektor in einer
Einrichtung für
die kontinuierliche Spracherkennung vorgesehen ist, der das Sprachsignal
aktiv untersucht, ist es möglich,
eine schnelle Erkennung der Eingangs wörter, -wortgruppen oder -sätze zu schaffen.
Indem der Pausendetektor Parameter untersucht, die vom durch den
Sprachdetektor angenommenen Sprache/Rausch-Modell getrennt sind,
wird eine größere Robustheit
gesichert. Es ist festgestellt worden, daß energiebasierte Maße beim
Unterscheiden zwischen Sprache und Rauschen besonders effektiv sein
können,
insbesondere ist festgestellt worden, daß eine Prüfung der Differenz zwischen
dem Signalpegel und dem Rauschpegel (z. B. ein Maß des Rauschabstandes),
die unter der Annahme erzeugt worden ist, daß das durch die Erkennungseinrichtung
verwendete Rauschen-Sprache-Rauschen-Modell richtig ist, ein effektives
Mittel ist, um die Richtigkeit dieser Annahme zu validieren. Spezieller
ist festgestellt worden, daß der
zwischen einem Spitzenwert über
einer Sprachperiode und einem Mittelwert über einer Rauschperiode berechnete
Rauschabstand effektiv ist.
-
Es ist als vorteilhaft festgestellt
worden, als die Basis für
die Pausenerfassung oder für
andere Zwecke, wie z. B. die Zurückweisung
eines identifizierten Wortes, ein gemitteltes oder geglättetes Maß der Signalenergie
zu verwenden; insbesondere ist ein laufendes mittleres Maß und spezieller
ein nichtlinearer Mittelwert, der irgendeine Filterung der Rauschspitzen
schafft, bevorzugt. Der Algorithmus kann vorzugsweise beschaffen sein,
um etwa den Median anstatt den Mittelwert der Energie des Signals
zu verfolgen.
-
Der Algorithmus kann, betrachtet
in einer anderen Weise, beschaffen sein, um den laufenden Mittelwert
um einen vorgegebenen Betrag zu inkrementieren oder zu dekrementieren,
wobei der vorgegebene Betrag vorzugsweise in Abhängigkeit von der Differenz
zwischen dem Eingangsenergieniveau und dem laufenden Mittelwert
angepaßt
wird.
-
Ferner ist festgestellt worden, daß die Verwendung
eines Maßes
der Variation der Signalenergie (und spezifischer der Variation
der geglätteten
und gemittelten Signalenergie) ein gutes Unterscheidungskennzeichen
ist, das die Bestimmung erlaubt, ob nur Rauschen vorhanden ist;
insbesondere ist ein Maß des
Verhältnisses
zwischen der Spitzenenergie und der minimalen Energie im allgemeinen
niedrig, falls nur Rauschen vorhanden ist. Demzufolge kann diese
Prüfung
verwendet werden, um ein durch den Erkennungsprozeß erzeugtes
Rauschen-Sprache-Rauschen-Modell zu validieren.
-
Die obigen Prüfungen werden vorteilhaft,
aber nicht notwendigerweise, mit den Prüfungen kombiniert, die auf
dem Ausgangssignal der Erkennungseinrichtung selbst basieren, wie
z. B. eine Prüfung
des durch die Erkennung des Rauschens erzeugten Punktestandes und
eine Prüfung
der Länge
der Zeit seit dem Beginn des erkannten Rauschens.
-
Es ist festgestellt worden, daß die obenbeschriebenen
signalbasierten Prüfungen
ebenso mit verschiedenen Schwellenwerten nützlich sind, um die Basis für die anschließende Zurückweisung
unter unsicheren Erkennungsbedingungen erkannter Wörter zu
bilden, wie oben beschrieben ist.
-
Andere Aspekte
und Ausführungsformen
der Erfindung
-
Aus dem vorangehenden ist offensichtlich,
daß die
beschriebenen Ausführungsformen
lediglich Beispiele der Erfindung sind, die demzufolge dadurch nicht
eingeschränkt
ist. Insbesondere besitzen die verschiedenen neuartigen Merkmale
der beschriebenen Ausführungsformen
jedes separate Vorteile, ob sie oben explizit beschrieben sind oder
es für
den Fachmann daraus offensichtlich ist, wobei für jedes derartige vorteilhafte Merkmal
isoliert und für
jede vorteilhafte Kombination aus derartigen Merkmalen Schutz gesucht
wird.
-
Hier ist die Verwendung einer Klassifizierungseinrichtung
mit kontinuierlicher Gauß-Dichte
beschrieben worden, es könnte
jedoch ebenso eine Klassifizierungseinrichtung verwendet werden,
die die Vektorquantisierung verwendet. Ähnlich könnten andere Typen der Folgenverarbeitung
verwendet werden (z. B. dynamische Zeitanpassung).
-
Während
nur eine 'Wiederholungs'-Wahrscheinlichkeit und eine 'Übergangs'-Wahrscheinlichkeit
erörtert
worden sind, sind Wahrscheinlichkeiten für Übergänge zu den übernächsten und überübernächsten (usw.) Zuständen (überspringende Übergänge) wohlbekannt,
wobei sie ebenso verwendet werden könnten. Ebenso ist die obenerwähnte Anzahl
der Zustände
für Wörter und
Rauschen rein beispielhaft.
-
Während
spezielle Ausführungsformen
ausführlich
beschrieben worden sind, wird erkannt, daß andere Ausführungsformen
unter Verwendung geeignet konstruierter oder programmierter digitaler
oder analoger Hardware zu verwirklichen sind.
-
Obwohl eine Erkennungssyntax beschrieben
worden ist, in der isolierte Wörter
(denen Rauschen vorangeht und nachfolgt) erkannt werden, ist die
vorliegende Erfindung ebenso auf die Erkennung verbundener Wörter anwendbar.
In diesem Fall würden
die Zustandsfolgenmodelle Folgen von Rauschen-Wort1-Wort2-...-WortN-Rauschen
repräsentieren,
wobei die SNR- und Rauschvarianz-Prüfungen vor zugsweise nur auf
das Rauschen nach dem Punkt des Endes der Sprache ansprechen würden.
-
Obwohl die Spracherkennung beschrieben
worden ist, ist die Verwendung der gleichen Techniken in bezug auf
andere Typen der Erkennung (z. B. die Sprechererkennung oder -verifikation)
nicht ausgeschlossen.
-
Es ist beabsichtigt, daß der Umfang
des Schutzes alle Konstruktionen innerhalb des Umfangs der beigefügten Ansprüche zusammen
mit allen äquivalenten
Konstruktionen umfaßt,
die im wesentlichen das gleiche Ergebnis erreichen oder ein im wesentlichen
anderes Ergebnis unter Verwendung des gleichen Operationsprinzips
erreichen.